通信工程师给儿子的信5:从加热的金属线得到电子

作者:John Mills


亲爱的儿子:


       很高兴收到你的信和你的问题。是的,质子就是带正极性的微粒,而电子就是在负极性的微粒。你应该记得这个简单的规律:“同极性相斥,异极性相吸”。



       离子这个词被用来描述任何能够自己行动,并且其电子数比应该拥有的电子数多(或者少)的原子(或者分子的一部分)。应该拥有的电子数指的是和质子数一样多。如果离子的电子数比质子数多,就是负极性的;如果相反,那么就是正极性的。原子或者分子的电子数既不比质子数多,也不比质子数少。就像我们说的,它是中性的,或者不带电的。



       不,不是所有可溶物质都会离解dissociate或者分裂成正极性离子和负极性离子。你平常吃的盐会离解,但是糖不会。如果你想为能够在溶液中离解的物质取个名字,那就叫它们“电解质”吧。为了制作电池,我们总是必须使用电解质。



       是的,把一段光滑流畅的金属或者金属线想象为到处都是空洞是一件困难的事情。即使在最致密的固体中,比如铅,原子之间的距离也很大,而且原子核和行星式电子之间有着很大的空隙。



       我希望上面的内容能够澄清你脑海中的疑问,因为我接下来要介绍真空电子管了。所谓真空,指的是里面的原子或者分子极其少的空间,少到我们竭尽所能,用最好的办法将原子或分子抽出或排除。目前来说,让我们假设,我们能够将所有的空气分子,即所有的空气,抽出一个小玻璃泡。



       真空三极管是一个像电灯泡一样的小玻璃泡,里面有一根金属线,或者金属灯丝。灯丝的两端都伸出玻璃管外,因此我们把它们连上电池,在灯丝中产生电流。如果我们这样做,灯丝就会变热。



       所谓“灯丝会变热”是什么意思?意思是灯丝会感觉到热。灯丝加热灯泡,而我们会感觉到这一点。但是,如果使用电子和原子这些术语来描述,这又意味着什么呢?为了回答这个问题,我们需要往后作一点回溯。



      在我们这个世界的每一个物质小块里,原子核分子都在快速地运动。在气体中,它们能够移动到任何地方;它们也这么做了。这就是气味传播得这么快的原因。在液体中,大多数在不停地移动的原子或分子中,大多数不能离开盘子或者液体表面。当然,它们并不是都呆在液体内部,因为有些原子和分子还是离开了液体,进入了上方的空气中。这就是一盘水会很快蒸发变干的原因。分子移动得越快,它们一下子跳离水——就像鱼在日落时分跃出湖面——的机会就越大。加热液体让液体分子移动得更快,因此更多的分子能够一下子跳离液体。这就是当我们淋湿了回来时,我们会把衣服挂在能让它们变热的地方的原因。当衣服被加热时,衣服里的水分更快地蒸发,因为我们所谓的“加热”,意思就是加快分子的速度。



       在固体里,分子没法移动到离它们最初位置太远的地方,而只能在原初位置附近来来回回。固体越热,其分子的移动速度就越快。一般来说,与冷的固体相比,当固体是热的时候,它的分子就移动得快一点。这意味着分子需要更大一点的空间,而这就是固体变热时,体积会大一些的原因。它随着加热而膨胀,因为它的分子移动得更快,并且移动得略远。



       当金属线被加热时,它的分子和原子被加速,它们比以前更快地来回飞奔。现在你知道,像电灯的灯丝一样,一根金属线在通电的时候,也就是有电子流通过的时候,会变热。为什么它会变热?因为当电子流通过金属线时,它们为了前进而碰撞、推挤周围的原子和分子,就像拥挤的人行道上的莽撞男孩一样。周围的分子和原子不得不走得快一点来让路。我们通过金属线的逐渐变热来识别原子的这些更快的运动。


       这就是为什么电流会让它通过的金属线变热。现在,在那些电子——这些粗鲁的在人行道上闪躲前进的男孩子们——身上发生了什么?有些男孩子走得太快、太粗心,以至于冲到了街道旁的排水沟,完全离开了人行道。一起猛冲的男孩子越多,奔跑的速度越是快,就有更多的男孩子改变方向,冲出人行道。



       电子流越多、越快——即有更大的电流流经金属线,就有更多的电子被“辐射”,即被扔离金属线。如果你有能力观察它们,你就能看到它们像子弹一样被射离金属线,从这段金属线,那段金属线,沿着金属线的走向,被射向各个方向。每秒钟被射出的电子数量不多,直到它们引起热烈的反响,因此让金属线变得红热。



       这些电子去哪里了呢?有时候它们并没有远离金属线,并且因此而重新回到金属线里面。它们轻快地离开人行道,又轻快地回到人行道,就像男孩子们在闪躲前进一样。有些电子则离开了,一去不复返。



       如果金属线在真空管里,好比真空电子管的情形,电子就无法离开太远。当然里面有很多空间;但是因为它们移动得太快,因此它们需要更大的空间,就像跑得快的大男孩比小男孩需要更大的活动场所。不久之后,真空管里有了如此多的离开金属线的电子,以至于它们不得不相互闪躲,并且其中一些电子总是闪躲着回到金属线里面——新的电子还在不断地被射离金属线。



       当每秒钟内,闪躲着回到金属线里的电子数量和被射离金属线的电子数量一样时,真空管内的真空里就有了它能容纳的所有电子。我们可以说电子在里面饱和了,也就是俗话说的,吃饱了。如果有更多的电子离开灯丝,就会有同样更多的已经在外面的电子回到金属线里。否则,这些多出来的电子就要在其它什么地方被消灭



       刚才我告诉你的有关电子离开加热的金属线的情况,非常类似当液体被加热时发生的事情。液体分子离开了液面。如果我们给这盆正被加热的液体加个盖子,那么液体分子就无法远离,而不久,在液面和盖子之间的空间里它们就会饱和。然后,每次有一些分子逃离液面的同时,一定有一些分子回到液体里面。冷凝回到液体的分子数量和蒸发变成气体的分子数量是一样的。这就是为什么烧菜的时候,当厨师不希望液体被煮干时,就会在容器上放上盖子。



       有时候我们说起真空管时会用和描述液体蒸发一样的措辞。逃离的液体分子形成了所谓的液体的“蒸汽”。如你所知道的,空气中通常有可观的水蒸气。然后我们说,电子是被煮沸而离开了灯丝,而在管子里有“电子蒸汽”。



       这封信就写这么多。下回我将告诉你怎么利用这些被煮沸而产生,并且在灯丝附近空间自由运动的电子。


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置度分数阈值,将置度分数小于阈值的直接过滤掉 将剩下框的置度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值